Forschungszentrum Jülich の研究者は、物理理論を開発できる人工知能 (AI) を開発しました。彼女は複雑なデータセットを分析してパターンを特定し、それらを一貫した理論に定式化します。これは、科学分野としての物理学のさらなる発展にとって重要なマイルストーンとなる可能性があります。
「AIの物理学」
ユーリッヒの先端シミュレーション研究所 (IAS-6) のモーリッツ ヘリアス教授が、「AI の物理学」という革新的な概念について説明します。このアプローチは、AI を使用してシステム内の複雑な相互作用を簡素化し、再構築するという従来の方法とは異なります。
物理学における新しい理論を開発するプロセスは通常、システム コンポーネントの相互作用に関する仮説につながる観察から始まります。これらの仮説は、観察された挙動を説明し、天体の動きを正確に予測するニュートンの重力の法則などの新しい現象を予測するのに役立ちます。
従来の方法はさまざまで、基本原理から仮説を導き出す物理学者もいますが、現象学的アプローチを使用して、根本的な原因を説明せずに観察をできるだけ正確に記述する物理学者もいます。
これが IAS-6 システムの仕組みです
「AIの物理学」では、「機械学習のための物理学」と呼ばれる手法を用いて、AIの複雑な機能を理解します。研究チームのメンバーであり、対応する研究の筆頭著者である Claudia Merger 氏は、ニューラル ネットワークを使用して、観察された複雑な動作をより単純なモデルにマッピングしました。
このプロセスには、システム内で観察される複雑な相互作用を単純化し、次に AI を使用してそれらの観察を逆転させ、新しい理論を開発することが含まれます。このシステムは、単純化されたモデルから複雑な相互作用を段階的に再構築します。これは物理学者のアプローチに似ていますが、AI のパラメーターによってガイドされます。
複雑さがシンプルになる
「たとえば、手書きの数字が付いた白黒画像のデータ セットを使用しました。これは、ニューラル ネットワークを使用した研究でよく使用されます」と Helias 氏は説明します。 「博士論文の一部として、クラウディア マージャーは、数字の端などの画像内の小さな下部構造がピクセル間の相互作用でどのように構成されているかを研究しました。 「一緒にするとより明るくなり、数字のエッジの形状に寄与するピクセルのグループが見つかります。」
大規模システムを処理する AI の能力は、さらなる最適化によって向上すると予想されており、将来的にはさらに複雑なシステムの分析が可能になることが期待されています。学習した理論のパラメーターを曖昧にしてしまう従来のシステムとは対照的に、Jülich AI は説明可能性を追求しています。物理学の言語で学んだ理論を定式化し、システム コンポーネント間の相互作用に焦点を当てます。
「一方、私たちのアプローチは学習した理論を抽出し、それを物理学の基礎となるシステムコンポーネント間の相互作用の言語で定式化します。 […] インタラクション言語を使用すると、AI の複雑な内部動作と人間が理解できる理論との間に橋を架けることができます。」
モーリッツ・ヘリアス教授